2ª Edição Revisada e Ampliada Aurélio Marinho Jargas

Transcrição

1 2ª Edição Revisada e Ampliada Aurélio Marinho Jargas Novatec

2 Capítulo 1 Introdução Olá. Que tal esquecer um pouco a rotina e a realidade e fazer uma viagem ao interior de sua mente? Descobrir conceitos novos, diferentes. Ao voltar, as coisas não serão mais tão normais quanto antes, pois símbolos estranhos farão parte de seu dia-a-dia. Inspirado pelo funcionamento de seus próprios neurônios, descubra o fascinante mundo abstrato das expressões regulares. Objetivo Neste nosso mundo tecnoinformatizado onde o acesso rápido à informação desejada é algo crucial, temos nas expressões regulares uma mão amiga, que quanto mais refinada for sua construção, mais preciso e rápido será o resultado, diferenciando aqueles que as dominam daqueles que perdem horas procurando por dados que estão ao alcance da mão. O assunto é algo bem peculiar, pois apesar de a maioria das linguagens de programação, programas e editores de texto mais utilizados possuírem esse recurso, poucos o dominam, principalmente pelo fato de a documentação sobre o assunto, quando existente, ser enigmática e pouco didática, ou simplesmente se resumir a listagens, sem explicar os conceitos. Esta obra nasceu dessa necessidade e tem como objetivo preencher essa lacuna, sendo uma documentação completa e didática para iniciantes, tipo tutorial, e um guia de referência para os já iniciados. [ 17 ]

3 [ 18 ] Expressões Regulares Este livro é a primeira publicação em português totalmente dedicada ao assunto, e espero que esse pioneirismo traga muitos frutos, inclusive outras publicações sobre o tema, para difundir e desmistificar o uso das expressões regulares. Sobre o livro A primeira parte é o feijão com arroz, indicada àqueles que desconhecem ou ainda não se sentem à vontade para criar suas próprias expressões regulares. Faremos um tour por todas as pecinhas que compõem esse mundo fantástico, explicando didaticamente, do zero, o que são, de onde vieram, para que servem e como utilizá-las (Exemplos! Exemplos!). Após ler e entender essa primeira parte, algo como ^ *[A-Za-z0-9_]+:(.*)..$ vai fazer parte de sua realidade, sem lhe causar pânico. A segunda parte é a feijoada, para aqueles que querem uma experiência mais intensa. Mergulharemos de cabeça e entenderemos de vez essa maquininha esquisita. São as explicações dos conceitos envolvidos, bem como táticas e dicas para você realmente entender e otimizar seu uso das expressões regulares. Ao final da leitura, você entenderá porque ^[^:]+:([[:alpha:]]+): é melhor que.*:(.*): Mas note que tudo isso, sem viajar muito nos detalhes intrínsecos e sem conhecer os becos escuros que você talvez nunca precisará saber que existem. Acima de tudo este é um livro prático. É para ler e fazer suas expressões. Isso não o torna superficial, apenas direto. Com tudo isso temos diversas tabelas e listagens, que servem para serem consultadas rapidamente em caso de dúvida ou esquecimento. Relaxe, não

4 Capítulo 1 Introdução [ 19 ] é um bicho de [0-9]+ cabeças... Vamos bater um papo descontraído sobre o assunto. Então respire fundo, desligue a TV, olhe fixamente para estas letras e vamos! Apresentando as Expressões Regulares Então, para podermos começar nossa viagem, nada como uma apresentação de nosso objetivo, pois afinal de contas, que raios são estas expressões? Bem resumido, uma expressão regular é um método formal de se especificar um padrão de texto. Mais detalhadamente, é uma composição de símbolos, caracteres com funções especiais, que, agrupados entre si e com caracteres literais, formam uma seqüência, uma expressão. Essa expressão é interpretada como uma regra, que indicará sucesso se uma entrada de dados qualquer casar com essa regra, ou seja, obedecer exatamente a todas as suas condições. Ou como variações aceitas também pode-se afirmar que é: uma maneira de procurar um texto que você não lembra exatamente como é, mas tem idéia das variações possíveis; uma maneira de procurar um trecho em posições específicas como no começo ou no fim de uma linha, ou palavra; uma maneira de um programador especificar padrões complexos que podem ser procurados e casados em uma cadeia de caracteres; uma construção que utiliza pequenas ferramentas, feita para obter determinada seqüência de caracteres de um texto. Ou ainda, didaticamente falando, é: Como o brinquedo LEGO, várias pecinhas diferentes, cada uma com sua característica, que juntas compõem estruturas completas e podem ser arranjadas com infinitas combinações diferentes. Como um jogo de truco, com as cartas normais e as quentes: gato, copas, espadilha e mole, que são especiais e têm uma ordem de grandeza.

5 [ 20 ] Expressões Regulares Como um quebra-cabeça, sempre tem solução, às vezes óbvia, às vezes difícil, mas decifrando as partes, junta-se tudo e chega-se ao todo. Como um jogo, no começo é difícil, mas após conhecer todas as regras, basta jogar e curtir. Como uma receita culinária, com seus ingredientes e uma ordem correta para adicioná-los à mistura. Como consertar carros. Você tem várias peças e várias ferramentas. Dependendo do tipo da peça, há uma ferramenta certa para você lidar com ela. E dependendo da sua localização, você tem de incrementar a ferramenta com mais barras e cotovelos para alcançá-la. Como o alfabeto. Você aprende primeiro as letras individualmente. Depois as sílabas, as palavras, frases e finalmente os textos. Mas no fundo, são apenas letras. Acima de tudo, assim como um sorvete no domingo ensolarado, uma expressão regular é: Divertida! Divertida? Tá louco? Todos aqueles símbolos estranhos... Calma... É normal estranharmos ou até repudiarmos aquilo que ainda não conhecemos ou não dominamos bem. Como diria o vovô Simpson no meio da multidão: vamos destruir aquilo que não entendemos! Ao final da leitura, ficará claro que as expressões são apenas pequenos pedacinhos simples que agrupados formam algo maior. O importante é você compreender bem cada um individualmente, e depois apenas lê-los em seqüência. Lembre-se do alfabeto: são apenas letras...

6 Capítulo 1 Introdução [ 21 ] História Vem cá, mas de onde surgiram essas tais expressões regulares, tem algo a ver com expressões matemáticas? Sim! Vou te contar uma história. A fecundação dessas expressões aconteceu no ano de 1943, quando os pais, dois neurologistas, publicaram um estudo que teorizava o funcionamento dos nossos neurônios. Sentiu o drama? Nosso assunto é nobre desde a sua origem. Anos depois o parteiro, um matemático, descreveu algebricamente os modelos desse estudo, utilizando símbolos para representar seus recém-criados grupos regulares (do inglês regular sets ). Com a criação dessa notação simbólica, nasceram as expressões regulares, que durante toda a sua infância e juventude (cerca de 20 anos), foram muito estudadas pelos matemáticos da época. Mas o encontro com o computador só aconteceu mesmo em 1968, em um algoritmo de busca utilizado no editor de textos qed, que depois virou o ed, editor padrão dos primeiros sistemas Unix. Este ed tinha o comando de contexto g, que aceitava expressões regulares e um comando p. Sua sintaxe ficava g/re/p ( Global Regular Expression Print ), que deu origem ao aplicativo grep, que por sua vez originou o egrep. Outros filhos como o sed e o awk também apareceram, cada um implementando as expressões do seu próprio jeito; e finalmente em 1986 foi criado o divisor de águas, um pacote pioneiro em C chamado regex que tratava das expressões regulares e qualquer um poderia incluí-lo em seu próprio programa, de graça. Opa! Falaram as palavras mágicas: de graça. Aí não teve mais volta, as expressões caíram no gosto popular e cada vez mais e mais programas e linguagens as utilizam.

7 [ 22 ] Expressões Regulares Curiosidade: apesar de esse assunto ser antigo, o que vamos ver aqui basicamente é o mesmo que um estudante veria há 15 anos atrás. É um conceito consistente, que não sofre alterações com o passar do tempo. Terminologia E se eu te disser que ERs são metacaracteres que casam um padrão? Não entendeu? Bem, como expressões regulares é um termo muito extenso, daqui adiante, chamarei apenas de ER (ê-érre) para simplificar a leitura. Outras nomenclaturas que podem ser encontradas em outras fontes são expreg, regexp, regex e RE. Particularmente regex é uma boa escolha para usar em ferramentas de busca na Internet. E como estamos falando de termos, tem mais alguns novos que farão parte de nossa conversa. Lembra que as expressões são formadas por símbolos e caracteres literais? Esses símbolos são chamados de metacaracteres, pois possuem funções especiais, que veremos detalhadamente adiante. Outro termo que é interessante e às vezes pode assustar um leitor meio distraído é o casar ( match ). Casamento aqui não é juntar os trapos, mas sim o ato de bater, conferir, combinar, igualar, encontrar, encaixar, equiparar. É como em um caixa 24 horas, em que você só retirará o dinheiro se sua senha digitada casar com aquela já cadastrada no banco. Também temos o padrão ( pattern ), que é nosso objetivo quando fazemos uma ER: casar um padrão. Esse padrão pode ser uma palavra, várias, uma linha vazia, um número, ou seja, o que quer que precise ser encontrado pela nossa ER. E ainda tem o robozinho, que é uma referência ao compilador e interpretador das expressões regulares, o código que vai ler, checar, entender e aplicar sua ER no texto desejado. Como exemplo, para programas em C o robozinho é a biblioteca regex, que faz todo o serviço.

8 Capítulo 1 Introdução [ 23 ] Para que servem? Basicamente servem para você dizer algo abrangente de forma específica. Definido seu padrão de busca, você tem uma lista (finita ou não) de possibilidades de casamento. Em um exemplo rápido, [rgp]ato pode casar rato, gato e pato. Ou seja, sua lista abrange especificamente essas três palavras, nada mais. Na prática as expressões regulares servem para uma infinidade de tarefas, é difícil fazer uma lista, pois elas são úteis sempre que você precisar buscar ou validar um padrão de texto que pode ser variável, como: data horário número IP nome de pessoa endereço de endereço de Internet nome de usuário e senha declaração de uma função() dados na coluna N de um texto dados que estão entre <tags></tags> campos específicos de um texto tabulado Mmmmmmmmmmmmmmm... número de telefone, RG, CPF, cartão de crédito dados que estão apenas no começo ou no fim da linha E mais uma infinidade de outros padrões que não podem ser especificados com caracteres literais.

9 1 [ 24 ] Expressões Regulares Um exemplo prático: você tem uma lista diária de acesso de usuários que entraram em seu sistema, onde consta em cada linha, o horário do acesso e o login do usuário, algo como: 05:15 ernesto 08:39 ricardo 10:32 patricia 14:59 gabriel 16:27 carla 22:23 marcelo Como fazer para buscar automaticamente apenas os usuários que acessaram o sistema no período da tarde (meio-dia às seis)? Você tem várias opções, desde procurar uma a uma manualmente até fazer um programa que compare os primeiros caracteres de cada linha, mas falando de algo prático e rápido, que não exija conhecimentos de programação, a ER é simplesmente ^1[2-8]. O que significa essa sopa de letrinhas? ^ Caaaaaaalma. Acompanhe o próximo tópico e vamos conhecer todos os metacaracteres, essas coisinhas úteis que facilitam nossa vida.